具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

如图1所示，本发明实施例一提供一种基于CPPWM-MIMO雷达的多生命体智能检测装置，其特征在于，包括CPPWM信号发生器1、多个功率放大器2、Vivaldi线性稀疏阵列天线3、多个低噪放大器4、多通道高速混合采样器5和数据处理系统；所述CPPWM信号发生器1通过设置不同的Logistic映射单元和Tent映射单元的初值，同时产生正交的多路CPPWM探测信号和与之一一对应的多路CPPWM参考信号。正交的多路CPPWM信号互不干扰，互不影响。每个CPPWM探测信号分别连接一个功率放大器2的信号输入端，每个CPPWM参考信号分别与多通道高速混合采样器5的一个信号输入端相连接；所述阵列天线3包括位于中间多个发射天线31和位于两侧的多个接收天线32，每个发射天线31分别连接一个功率放大器2的信号输出端，每个接收天线32的输出端分别与一个低噪放大器4的信号输入端相连接；每个低噪放大器4的信号输出端与所述多通道高速混合采样器5的信号输入端连接；所述多通道高速混合采样器5的信号输出端与所述数据处理系统连接，通过数据处理系统计算分析得到生命体检测结果。

具体地，如图1所示，本实施例中，所述功率放大器2和低噪放大器4的数量为六个，所述Vivaldi线性稀疏阵列天线3包括位于中间的六个发射天线31和位于两侧的各三个接收天线32。

具体地，本实施例中，所述数据处理系统包括多核中央处理器6、数据处理模块7和结果显示模块8；所述数据处理模块7用于计算参考和回波数据，然后将结果返回到多核中央处理器6并在结果显示模块8中显示多生命体检测结果。所述结果显示模块8用于显示多生命体检测结果；所述多核中央处理器6用于控制数据处理模块7和结果显示模块8的正常运行。

具体地，本实施例中，所述发射天线31和接收天线32均为改进型Vivaldi天线，如图3所示，所述改进型Vivaldi天线是指在Vivaldi天线的馈线末端对应的辐射臂33上设置互补开口谐振环34，在辐射贴片35两侧加载多条长度不同的Y形缝隙36。

进一步地，如图2所示，本实施例中，所述CPPWM信号发生器1包括：Logistic映射器9、第一计数器10、第二计数器11、Tent映射器12、第一比较器13、第二比较器14、脉冲发生器15和信号储存输出模块。

其中，所述Logistic映射器9的输出为X_n+1＝4(1-X_n)X_n，其中，X₀表示Logistic映射函数的初值，X_n表示Logistic映射函数经第n次循环计算后的输出值。第一计数器5和Logistic映射器9的输出端与第一比较器13连接，Tent映射器12的输出为Y_n+1＝1.99(0.5-|Y_n-0.5|)，其中，Y₀表示Tent映射函数的初值，Y_n表示Tent映射函数经第n次循环计算后的输出值；第二计数器11和Tent映射器12的输出端与第二比较器14连接，第一比较器13和第二比较器14的输出端与脉冲发生器15的输入端连接，分别用于触发脉冲发生器15持续输出高电平信号和低电平信号，脉冲发生器15输出的高电平信号用于使能控制Tent映射器12和第二计数器11开始工作，还用于控制Logistic映射器9和第一计数器10停止工作，并复位第一计数器10；脉冲发生器15输出的低电平信号，用于使能控制Tent映射器12和第二计数器11停止工作，并复位第二计数器11，还用于使能控制Logistic映射9和第一计数器10开始工作并更新进入下一状态；脉冲发生器15输出的电平信号经信号储存输出模块存储和输出。

进一步地，如图2所示，所述信号储存输出模块包括：串行化器16、寄存器17、逻辑比较器18、写地址计数器19、静态随机存取存储器20、静态随机存取存储控制器21、读地址计数器22、串行收发复位控制器23、串行收发器24、差分输出模块25。

所述串行化器16用于将脉冲发生器15输出的低速串行信号转化为并行数据后，传输至寄存器17中缓存，逻辑比较器18用于对寄存器17中的数据按照写入顺序进行提取和逻辑选择后发送至静态随机存取存储控制器21，还用于产生一个脉冲时钟信号发送静态随机存取存储控制器21和写地址计数器19；写地址计数器19产生的写地址数据与逻辑比较器18发送的脉冲时钟信号和数据配合，使静态随机存取存储控制器21将数据写入到静态随机存取存储器20中。

串行收发复位控制器23用于解除串行收发器24复位状态，串行收发器24用于产生反馈时钟，并发送至读地址计数器22以及静态随机存取存储控制器21，读地址计数器22产生的读地址数据与串行收发器24发送的反馈时钟配合，使静态随机存取存储控制器21将静态随机存取存储器20中的数据读出，并写入到串行收发器24中，最终串行收发器24将数据解串化，并通过差分输出模块25输出CPPWM信号。

进一步地，如图4所示，所述多通道高速混合采样器5包括现场可编程门阵列27和多个数据通道，每个数据通道包括串行外设接口28、可编程延时芯片29和模数转换器30；所述现场可编程门阵列27用于通过串行外设接口28控制可编程延时芯片29，对模数转换器30的工作时钟37进行延时。

实施例二

如图5所示，本发明实施例二提供了一种基于CPPWM-MIMO雷达的多生命体智能检测方法，基于图1所示的一种装置实现，包括以下步骤：

S1、混沌相关滤波和测距：对各个CPPWM回波信号和各个CPPWM参考信号分别进行两两互相关计算得到各个互相关曲线，进行匹配滤波和测距计算。

以所述Vivaldi线性稀疏阵列天线3包括位于中间的六个发射天线31和位于两侧的各三个接收天线32为例，对6路CPPWM回波信号和6路CPPWM参考信号进行两两互相关计算得到36(6×6)道互相关曲线，实现匹配滤波和距离估计。

S2、对互相关曲线进行处理得到生命体信息，同时根据混沌相关滤波和测距计算结果计算判断生命体是否为人类。

其中，得到生命体信息的具体步骤为：

S21、基于多尺度加权的快速BP算法对互相关曲线进行成像。

所述步骤S21的具体方法为：先对整个探测区域进行大尺寸网格划分，经过BP算法处理得到低分辨率图像，再利用滑动窗口能量检测方法寻找能量极大值，从低分辨率图像中提取潜在生命区域，再对此区域进行小尺寸网格划分，经过BP算法处理得到高分辨率图像，其余区域仍为低分辨率图像；迭代2～3次，直至潜在生命区域图像达到分辨率要求，最终得到高分辨率图像和低分辨率图像的加权叠加的图像矩阵W，加权因子通过计算每个焦点在时延曲线上的散射数据的均值和标准差比值来确定。这里的迭代是指划分网格尺寸的迭代。网格尺寸越小分辨率越高，当离散的网格尺寸满足成像分辨率要求时，迭代停止。

S22、基于因子组稀疏正则化的快速鲁棒主成分分析(RPCA)抑制图像中的伪影。

W建模为：W＝L+S，式中，L表示低秩的伪影，S表示稀疏的生命体；L分解为A＝[a₁,a₂,…,a_d]∈R^m×k，B＝[b₁,b₂,…,b_d]∈R^k×n，且rank(L)≤k≤min(m,n)，a_j和b_j为列向量；设为L的p次幂的sp范数，如下式所示：

式中，σ_i是L的第i个最大奇异值；当p＝1时，当p＝0时，当0＜p＜1时，p取值越小越近似秩，可取1/2；根据因子组稀疏正则化，式(1)可以表示为如下形式：

式中，||·||_F表示f范数；求解下式可以得到L和S：

min||A||_2,1+α||B^T||_2,1+λ||S||₁s.t.W＝AB+S； (3)

利用增广拉格朗日乘子法去约束条件，再使用交替方向乘子法求解上述问题，实现伪影抑制。

S23、对于图像中的多个生命体进行二维空间定位和数量检测。

经过步骤S21至S23处理得到的成像结果图上存在若干像素点，像素点的数目表示生命体的数量，像素点在成像结果图中的坐标表示生命体的二维空间位置。

其中，计算判断生命体是否为人类的具体步骤包括：

S31、对混沌相关滤波和测距结果在慢时域进行累积得到原始慢时域-距离矩阵R，再对R进行预处理。

所述步骤S31中，对慢时域-距离矩阵R进行预处理的具体方法为：

首先利用线性趋势去除法消除静态杂波和线性趋势干扰，处理过程如下式所示：

式中，x＝[m/M1_M]，m＝[0,1,…,M-1]^T，1_M是含单位值的M×1矢量，表示经过线性趋势去除法之后得到的信号矩阵；

再利用自动增益控制进行弱生命信号增强，信号增强过程为：对于信号矩阵通过计算在给定大小ω的时间窗内的信号功率来调整增益，其中，k和m分别表示矩阵的行数和列数，k＝0,1,……,N_k，m＝0,1,……,M_m，N_k与M_m表示快时域和慢时域采样点，并与预先确定的最大增益g_MAX进行比较，计算公式为：

式中，i表示某一行，i＝0,1,……,N-ω，g[i,m]为基于信号功率的增益，g_norm[i,m]是对所有增益按最小增益进行归一化后的表示，g_mask[i,m]为增益掩膜，利用增益掩膜对进行加权调整；g_min(m)表示对应于每个m列，所有行数i的最小增益，g_norm[i,m]＝g[i,m]/g_min(m)即对所有增益进行归一化表示。最后进行灰度处理并输出灰度图。

S32、基于CenterNet生命检测网络智能提取多生命体特征矩阵。

所述步骤S32的具体方法为：

筛除不存在生命体的灰度图形成数据集，进行生命体标签标注，得到生命特征数据集用于网络训练和测试；

将训练集数据的灰度矩阵输入改进型DLA-34特征提取网络中，分别进行目标的中心点、中心点偏移量和尺寸的训练，得到表示生命体特征矩阵的目标边界框；

其中，目标中心点训练的方法为：对于每个生命体特征框的中心点P，其在每一个分辨率下的中心点值p∈R²，先计算一个低分辨率的中心点等价值R为输出步进幅度，再使用高斯核将每个生命体特征框的中心点映射到热力图中，其中，中，W和H分别表示图像的宽度和高度，表示该点为中心点，表示该点为背景，然后使用Focal Loss损失函数进行像素级的逻辑回归，Focal Loss损失函数的表达式为：

式中，α和β分别表示损失函数的超参数，N为图像中的中心点数，选择N进行归一化。高斯核的表达式为：

式中，σ_p表示目标大小自适应标准偏差，和分别表示中心点P的横纵坐标，x和y分别表示随机计算点的横纵坐标。

目标中心点偏移量训练的方法为：每个中心点的局部偏移量为使用L1损失函数进行所有对象中心点偏移量训练；L1损失函数的表达式为：

式中，为局部偏移量，p表示中心点位置坐标。目标尺寸训练的方法为：令为目标k的边界框，则中心位置为x_i和y_i分别为整数坐标。且回归每个对象k的大小为使用Smooth L1损失函数进行目标尺寸训练；目标使用单一的尺寸预测结果在进行目标检测时，令为检测到n个中心点集合，通过提取热力图上100个峰值点来获取边界框，若峰值点大于它的8个邻域点则保留；

得到表示生命体特征矩阵的目标边界框为：

式中，为预测的中心点位置，为预测的中心点偏移量，为预测的目标宽度和高度，宽度可以直接取慢时域观测长度。对单次测量得到的36(6×6)张慢时域-距离图进行多生命体特征矩阵提取，进行综合分析和判断后产生最终的生命体特征矩阵。若某一生命体特征矩阵存在于过半数的慢时域-距离图中，则判断该生命体特征存在；反之，则不存在。

最后，对单次测量得到的多张慢时域-距离图进行多生命体特征矩阵提取，进行综合分析和判断后产生最终的生命体特征矩阵。

S33、对多生命体特征矩阵进行快速傅里叶变换(FFT)，峰值位置表示呼吸频率，再对快速傅里叶变换后的生命体特征矩阵进行小波熵分析，基于小波熵判断生命体是人还是动物。

对多生命特征矩阵进行快速傅里叶变换FFT之后，即可得到横坐标表示呼吸频率，纵坐标表示呼吸幅度大小的二维曲线图，二维曲线图中的尖峰的峰值位置对应的横坐标即表示呼吸频率大小。获取呼吸频率即可判断目标为生命体，后面通过计算生命体特征矩阵的小波熵进一步区分生命体是人还是动物，因为人和动物的小波熵有区别，人的小波熵的范围大于动物的小波熵范围。

所述步骤S33的具体方法为：

先对生命体特征矩阵进行快速傅里叶变换；再对快速傅里叶变换后的生命体特征矩阵进行小波熵分析，计算时间窗i内j尺度下小波变换后呼吸信号的能量求得各尺度下信号能量总和为则每个尺度信号的相对能量为生命信号在时间窗内的小波熵为：

式中，表示j尺度下信号i的相对能量，表示小波熵的时间行为，H_WT表示平均小波熵，N_T表示在时间窗i中包含的分辨率T处的小波系数。其相应的小波熵标准差为：

通常小波熵和小波熵标准差均大于1表示为人体，在0.5附近表示为动物，据此区分人与动物。最终由结果显示模块显示多生命体检测结果。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。